| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究的目的和意义 | 第8-9页 |
| 1.2 入侵检测系统的发展史 | 第9-11页 |
| 1.3 国内外发展现状 | 第11-13页 |
| 1.4 论文的结构 | 第13-14页 |
| 第2章 网络安全与入侵检测 | 第14-28页 |
| 2.1 网络安全 | 第14-16页 |
| 2.1.1 网络安全现状 | 第15页 |
| 2.1.2 网络安全的基本特征 | 第15-16页 |
| 2.1.3 传统的防御措施存在的问题 | 第16页 |
| 2.2 入侵检测 | 第16-19页 |
| 2.2.1 入侵检测的定义 | 第16-17页 |
| 2.2.2 入侵检测系统 | 第17-19页 |
| 2.3 入侵检测系统的分类 | 第19-24页 |
| 2.3.1 按数据源分类 | 第19-21页 |
| 2.3.2 按技术分类 | 第21-23页 |
| 2.3.3 按工作方式分类 | 第23页 |
| 2.3.4 按体系结构分类 | 第23-24页 |
| 2.3.5 按响应方式分类 | 第24页 |
| 2.4 存在的问题 | 第24-25页 |
| 2.5 新型入侵检测技术的研究 | 第25-27页 |
| 2.5.1 神经网络 | 第25-26页 |
| 2.5.2 遗传算法 | 第26页 |
| 2.5.3 免疫技术 | 第26-27页 |
| 2.5.4 数据挖掘 | 第27页 |
| 2.6 小结 | 第27-28页 |
| 第3章 群体智能算法 | 第28-33页 |
| 3.1 群体智能 | 第28-29页 |
| 3.2 遗传算法 | 第29-31页 |
| 3.3 粒子群优化算法 | 第31-32页 |
| 3.4 小结 | 第32-33页 |
| 第4章 改进的粒子群优化算法 | 第33-43页 |
| 4.1 基本的粒子群优化算法思想 | 第33-34页 |
| 4.2 带惯性权重的粒子群优化算法 | 第34-36页 |
| 4.2.1 全局型标准的粒子群优化算法基本思想 | 第34-35页 |
| 4.2.2 局部型标准的粒子群优化算法基本思想 | 第35页 |
| 4.2.3 线性惯性权重 | 第35-36页 |
| 4.3 带变异的粒子群优化算法 | 第36-42页 |
| 4.3.1 PSO发生“聚集效应”判断机制 | 第36-38页 |
| 4.3.2 变异算子 | 第38页 |
| 4.3.3 带变异的粒子群优化算法的基本流程 | 第38-39页 |
| 4.3.4 实验仿真 | 第39-42页 |
| 4.4 小结 | 第42-43页 |
| 第5章 改进的粒子群优化算法在入侵检测中的应用 | 第43-50页 |
| 5.1 聚类算法 | 第43-44页 |
| 5.2 模糊C-均值聚类算法 | 第44-46页 |
| 5.2.1 模糊C-均值聚类算法基本思想 | 第44页 |
| 5.2.2 模糊C-均值聚类算法的原理 | 第44-45页 |
| 5.2.3 模糊C-均值聚类算法特点 | 第45页 |
| 5.2.4 基本流程 | 第45-46页 |
| 5.3 改进的粒子群优化算法与模糊C-均值聚类算法 | 第46-49页 |
| 5.3.1 PSO与FCM的优势 | 第46-47页 |
| 5.3.2 算法流程 | 第47-49页 |
| 5.4 小结 | 第49-50页 |
| 第6章 实验 | 第50-61页 |
| 6.1 KDD CUP 99数据集 | 第50-55页 |
| 6.1.1 KDD CUP 99数据集背景 | 第50-51页 |
| 6.1.2 数据集 | 第51-55页 |
| 6.2 数据预处理 | 第55-56页 |
| 6.3 实验与仿真 | 第56-60页 |
| 6.4 小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |